基于分級(jí)特征庫(kù)的機(jī)床故障診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)*

蘇憲利,鄭一麟

(1．渤海大學(xué) 信息科學(xué)與技術(shù)學(xué)院，遼寧 錦州　121013；2.東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，沈陽(yáng)　110068；3．中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所，沈陽(yáng)　110068)

?

基于分級(jí)特征庫(kù)的機(jī)床故障診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)*

蘇憲利1，2,鄭一麟3

(1．渤海大學(xué) 信息科學(xué)與技術(shù)學(xué)院，遼寧 錦州121013；2.東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，沈陽(yáng)110068；3．中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所，沈陽(yáng)110068)

摘要：針對(duì)機(jī)床故障診斷中人工診斷效率低、實(shí)時(shí)性差、誤差大的缺點(diǎn)，研究提出使用分級(jí)特征庫(kù)進(jìn)行機(jī)床故障診斷，該研究將特征分為典型特征和非典型特征兩級(jí)，在底層匯聚節(jié)點(diǎn)完成振動(dòng)特征提取和典型特征(即A級(jí)特征)機(jī)床故障診斷，實(shí)現(xiàn)故障現(xiàn)場(chǎng)預(yù)警，提高了現(xiàn)場(chǎng)預(yù)警的實(shí)時(shí)性。在控制中心完成對(duì)非典型特征(即B級(jí)特征)綜合處理和分析，同時(shí)對(duì)兩級(jí)特征數(shù)據(jù)采用機(jī)器學(xué)習(xí)中SVM算法完成故障特征庫(kù)的完善和更新，提高了機(jī)床故障診斷的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)證明該研究在基于特征庫(kù)的機(jī)床故障診斷領(lǐng)域具有理論研究?jī)r(jià)值和工程應(yīng)用價(jià)值，提高了數(shù)控機(jī)床故障診斷的實(shí)時(shí)性和精確性。

關(guān)鍵詞：分級(jí)特征；實(shí)時(shí)預(yù)警；故障診斷

0引言

數(shù)控機(jī)床是一種自動(dòng)化程度較高的機(jī)械加工設(shè)備[1]，機(jī)床故障對(duì)機(jī)床的使用壽命和產(chǎn)品的加工質(zhì)量都存在較大影響[2]，機(jī)床故障不能及時(shí)得到處理將會(huì)導(dǎo)致機(jī)床損壞或加工產(chǎn)品的報(bào)廢，在機(jī)床部件發(fā)生問(wèn)題時(shí)，將對(duì)機(jī)床運(yùn)行產(chǎn)生一定的物理沖擊，因此機(jī)床運(yùn)行中的故障主要是通過(guò)振動(dòng)的方式體現(xiàn)出來(lái)[3]，而在機(jī)床工作現(xiàn)場(chǎng)的診斷也主要是通過(guò)工人對(duì)振動(dòng)的感受進(jìn)行判斷，人工判斷的方式存在以下問(wèn)題：

(1)工人的工作經(jīng)驗(yàn)是執(zhí)行判斷主要因素，對(duì)于機(jī)床故障的判斷跟工作經(jīng)驗(yàn)成正比，而這種經(jīng)驗(yàn)的積累是以機(jī)床的傷害為代價(jià)。

(2)個(gè)人感受中環(huán)境因素影響較大，容易造成故障判斷的錯(cuò)誤或緩慢，導(dǎo)致故障不能及時(shí)發(fā)現(xiàn)和處理，從而造成產(chǎn)品加工產(chǎn)生次品或機(jī)床損壞。

(3)缺少快速的學(xué)習(xí)機(jī)制，影響個(gè)人經(jīng)驗(yàn)增長(zhǎng)的因素較多，人工對(duì)故障識(shí)別和判斷的學(xué)習(xí)過(guò)程存在效率較差、速度較慢等缺點(diǎn)。尤其是對(duì)新型數(shù)控機(jī)床，需要大量的時(shí)間來(lái)進(jìn)行故障現(xiàn)象的識(shí)別和訓(xùn)練。

在故障識(shí)別領(lǐng)域目前采用的方法包括模式判別方法和智能故障識(shí)別方法，其中模式判別方法包括聚類(lèi)分析、貝葉斯推斷等傳統(tǒng)的分類(lèi)器[4-5]，智能故障模式識(shí)別包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和模糊理論[4-5]，其中人工神經(jīng)網(wǎng)絡(luò)已在故障診斷領(lǐng)域得到了廣泛的應(yīng)用[4]。當(dāng)前研究較多的是神經(jīng)網(wǎng)絡(luò)與其它方法結(jié)合的模型，包括聚模糊神經(jīng)網(wǎng)絡(luò)等[4]。支持向量機(jī)理論通過(guò)優(yōu)化一個(gè)泛化誤差界限自動(dòng)生產(chǎn)最優(yōu)的分類(lèi)面[6]，使其具有了更優(yōu)的泛化性能。

目前研究中故障診斷工作全部在服務(wù)器端完成，這種方式的優(yōu)點(diǎn)是數(shù)據(jù)運(yùn)算準(zhǔn)確可靠，故障的識(shí)別率較高。本研究是為了提高故障診斷的實(shí)時(shí)性，將故障診斷工作分為兩級(jí)完成，第一級(jí)工作為A類(lèi)特征的識(shí)別和診斷，將故障特征庫(kù)中的特征明顯、識(shí)別可靠性高的特征稱(chēng)為A類(lèi)特征，其中A類(lèi)特征故障診斷在匯聚節(jié)點(diǎn)完成，使得A類(lèi)特征的診斷和預(yù)警時(shí)間縮短，提高A類(lèi)特征故障診斷的實(shí)時(shí)性。第二級(jí)工作包括B類(lèi)特征識(shí)別和診斷、特征數(shù)據(jù)庫(kù)的更新和完善，該工作在故障診斷服務(wù)器端完成，利用服務(wù)器端的強(qiáng)大計(jì)算資源提高識(shí)別的可靠性和準(zhǔn)確性。

1系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)

本研究中的故障診斷系統(tǒng)包括了三個(gè)部分，振動(dòng)采集節(jié)點(diǎn)、匯聚節(jié)點(diǎn)和控制中心(服務(wù)器端)三部分，其中振動(dòng)采集節(jié)點(diǎn)和匯聚節(jié)點(diǎn)部署在車(chē)間、控制中心部署在企業(yè)的信息中心，控制中心是故障診斷系統(tǒng)服務(wù)器端軟件運(yùn)行的服務(wù)器設(shè)備。

振動(dòng)采集節(jié)點(diǎn)部署在機(jī)床特定位置，完成機(jī)床振動(dòng)數(shù)據(jù)的采集。匯聚節(jié)點(diǎn)部署在生產(chǎn)車(chē)間內(nèi)，完成振動(dòng)數(shù)據(jù)特征的提取、診斷、實(shí)時(shí)預(yù)警和數(shù)據(jù)通信?？刂浦行耐瓿蓪?duì)故障特征數(shù)據(jù)的深入處理和故障的精確分析診斷，并通過(guò)機(jī)器學(xué)習(xí)的方式完成特征庫(kù)的完善和更新工作。其中振動(dòng)采集節(jié)點(diǎn)與匯聚節(jié)點(diǎn)間是通過(guò)無(wú)線(xiàn)網(wǎng)絡(luò)進(jìn)行通信，匯聚節(jié)點(diǎn)和控制中心通過(guò)以太網(wǎng)進(jìn)行通信。

機(jī)床故障診斷系統(tǒng)結(jié)構(gòu)如圖1所示。

2分級(jí)特征庫(kù)診斷方法

在傳統(tǒng)的研究中，故障特征數(shù)據(jù)的對(duì)比和處理工作全部在控制中心完成，也就是在服務(wù)器端完成，在控制中心完成診斷后，將顯示預(yù)警信息給管理人員或底層預(yù)警設(shè)備，進(jìn)行預(yù)警和故障處理。這種方式的優(yōu)勢(shì)是故障診斷較為準(zhǔn)確，它存在的問(wèn)題是故障診斷缺少實(shí)時(shí)性，由于所有的故障診斷都經(jīng)歷采集節(jié)點(diǎn)、匯聚節(jié)點(diǎn)、控制中心診斷后再回傳給匯聚節(jié)點(diǎn)進(jìn)行預(yù)警，網(wǎng)絡(luò)通信時(shí)間較長(zhǎng)，降低了預(yù)警的實(shí)時(shí)性。

為了提高故障診斷的實(shí)時(shí)性，本系統(tǒng)中設(shè)計(jì)了分級(jí)診斷方法，診斷方法流程如圖2所示。在圖2中診斷方法分為三個(gè)步驟：

第一步：特征分類(lèi)，將特征分類(lèi)為A,B兩類(lèi)，A類(lèi)故障特征(典型特征)是指只要出現(xiàn)該類(lèi)特征就一定發(fā)生了特定的故障，B類(lèi)特征是非典型特征，這類(lèi)特征需要對(duì)振動(dòng)特征數(shù)據(jù)進(jìn)行詳細(xì)分析處理后才能確定故障是否發(fā)生和產(chǎn)生的原因。

第二步：故障診斷任務(wù)分級(jí)，匯聚節(jié)點(diǎn)完成第一級(jí)診斷，實(shí)現(xiàn)A類(lèi)特征的現(xiàn)場(chǎng)實(shí)時(shí)預(yù)警。控制中心完成第二級(jí)診斷?？刂浦行膶?duì)匯聚節(jié)點(diǎn)上傳的振動(dòng)能量特征進(jìn)行詳細(xì)處理，針對(duì)B類(lèi)特征進(jìn)行診斷和預(yù)警控制輸出。

第三步，特征庫(kù)更新與同步，控制中心通過(guò)機(jī)器學(xué)習(xí)svm方法進(jìn)行分類(lèi)描述，通過(guò)樣本學(xué)習(xí)實(shí)現(xiàn)對(duì)特征庫(kù)的更新和校準(zhǔn)，在服務(wù)器端對(duì)A類(lèi)特征庫(kù)更新后，控制中心發(fā)送A類(lèi)特征庫(kù)給匯聚節(jié)點(diǎn)，完成匯聚節(jié)點(diǎn)A類(lèi)特征庫(kù)的更新和同步。

圖2　診斷方法流程

一級(jí)診斷流程如圖3所示。

圖3　一級(jí)診斷流程

在圖3中匯聚節(jié)點(diǎn)完成一級(jí)診斷工作，匯聚節(jié)點(diǎn)為了實(shí)現(xiàn)對(duì)振動(dòng)特征的提取，需要對(duì)振動(dòng)信號(hào)進(jìn)行處理，目前采用的方法主要是快速傅里葉變換[3-4]，該方法的特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，可以很快的實(shí)現(xiàn)時(shí)域到頻域的變換，但是FFT存在缺少時(shí)間特征的問(wèn)題，在FFT中某一個(gè)點(diǎn)的噪聲將對(duì)整個(gè)變換產(chǎn)生影響[3-5]，因此不適用于對(duì)時(shí)間和頻率同時(shí)存在要求的應(yīng)用。在本系統(tǒng)中為了發(fā)現(xiàn)故障的實(shí)時(shí)特征，采用了小波分解樹(shù)的方法進(jìn)行振動(dòng)信號(hào)的處理[6-7]。小波分解樹(shù)可以很好的完成信號(hào)處理工作，小波分解樹(shù)工作流程如圖4所示。

圖4　小波分解樹(shù)

二級(jí)診斷工作流程如圖5所示。

圖5　二級(jí)診斷工作流程

二級(jí)診斷在控制中心完成，如圖5所示控制中心接收到特征數(shù)據(jù)后，對(duì)數(shù)據(jù)采用svm算法進(jìn)行分類(lèi)和樣本學(xué)習(xí)，根據(jù)分類(lèi)結(jié)果對(duì)B類(lèi)特征進(jìn)行相似度匹配，診斷出故障后，向匯聚節(jié)點(diǎn)發(fā)送預(yù)警控制，并對(duì)B類(lèi)特征樣本庫(kù)進(jìn)行強(qiáng)化，當(dāng)特征庫(kù)中B類(lèi)特征滿(mǎn)足A類(lèi)特征要求時(shí)，將該特征轉(zhuǎn)化為A類(lèi)特征，并對(duì)特征庫(kù)進(jìn)行更新，發(fā)送新的A類(lèi)特征庫(kù)給匯聚節(jié)點(diǎn)，完成特征庫(kù)的更新和同步。

3振動(dòng)數(shù)據(jù)采集過(guò)程

在振動(dòng)采集中主要采用了振幅、頻率和相位三個(gè)量值進(jìn)行描述，其中振幅和頻率主要用于機(jī)械故障的識(shí)別，本系統(tǒng)采用了對(duì)振動(dòng)頻率進(jìn)行采集和處理，實(shí)現(xiàn)對(duì)機(jī)床故障的診斷。

振動(dòng)數(shù)據(jù)采集工作是通過(guò)采集節(jié)點(diǎn)中的三軸加速度傳感器實(shí)現(xiàn)，在振動(dòng)特性中振動(dòng)加速度與振動(dòng)頻率的平方成正比，通過(guò)對(duì)振動(dòng)加速度值的運(yùn)算可以得出振動(dòng)頻率的值。采集節(jié)點(diǎn)將采集到的加速度數(shù)值傳送給匯聚節(jié)點(diǎn)，由匯聚節(jié)點(diǎn)進(jìn)行振動(dòng)特征數(shù)據(jù)的分析和處理。采集節(jié)點(diǎn)工作流程如圖6所示。

圖6　采集節(jié)點(diǎn)工作流程

控制中心通過(guò)發(fā)送控制命令調(diào)整采集節(jié)點(diǎn)的采集頻率和通信方式，采集節(jié)點(diǎn)接收匯聚節(jié)點(diǎn)轉(zhuǎn)發(fā)的控制命令，根據(jù)命令執(zhí)行操作，完成參數(shù)調(diào)整等工作。

4控制中心軟件實(shí)現(xiàn)

控制中心軟件系統(tǒng)采用了c#進(jìn)行開(kāi)發(fā)，采用了C/S模式，數(shù)據(jù)庫(kù)服務(wù)器采用了oracle數(shù)據(jù)庫(kù)管理系統(tǒng)[7-8]，在本系統(tǒng)中設(shè)計(jì)了三道線(xiàn)程，第一道線(xiàn)程為通信管理線(xiàn)程，該線(xiàn)程完成與匯聚節(jié)點(diǎn)的通信工作，完成對(duì)特征數(shù)據(jù)的采集工作。第二道線(xiàn)程為數(shù)據(jù)處理線(xiàn)程，本線(xiàn)程中采用了SVM分類(lèi)方法進(jìn)行機(jī)器學(xué)習(xí)，對(duì)特征數(shù)據(jù)進(jìn)行完善。第三道線(xiàn)程為顯示線(xiàn)程，完成對(duì)操作窗口的輸出控制。

在控制中心對(duì)特征數(shù)據(jù)進(jìn)行分類(lèi)過(guò)程中并不是所有的能量特征都是非常有用的，在本系統(tǒng)中采用了SVM分類(lèi)方法，對(duì)最優(yōu)特征進(jìn)行提取，在SVM算法中為了降低分類(lèi)器構(gòu)造的復(fù)雜度，本系統(tǒng)中采用了基于決策樹(shù)的SVM分類(lèi)算法，對(duì)所有特征進(jìn)行兩類(lèi)劃分，即典型特征A級(jí)特征和非典型特征B級(jí)特征，然后根據(jù)特征特點(diǎn)依次進(jìn)行兩類(lèi)劃分，通過(guò)這種方法在分類(lèi)識(shí)別過(guò)程中提高特征的識(shí)別度，加快了特征識(shí)別的速度。

控制中心工作過(guò)程如下：

(1)接收特征數(shù)據(jù)，進(jìn)行數(shù)據(jù)校驗(yàn)，去除非法數(shù)據(jù)。

(2)根據(jù)特征分類(lèi)進(jìn)行樣本識(shí)別，形成多級(jí)樹(shù)。

(3)根據(jù)樣本特征進(jìn)行優(yōu)化，形成更加精確的特征庫(kù)。

(4)校準(zhǔn)特征類(lèi)別參數(shù)，執(zhí)行(2)過(guò)程。

在本系統(tǒng)中為了保證數(shù)據(jù)通信的可靠性采用了TCP的連接方式，每一個(gè)匯聚節(jié)點(diǎn)通過(guò)tcp完成與控制中心的連接，由于本研究中匯聚節(jié)點(diǎn)數(shù)量為10個(gè)，每個(gè)匯聚節(jié)點(diǎn)采集數(shù)據(jù)量較大，tcp工作方式可以保證數(shù)據(jù)傳輸穩(wěn)定性和可靠性。

本系統(tǒng)在結(jié)構(gòu)上完全采用了mvc的軟件編程模式，設(shè)計(jì)了模型層、視圖層和控制層，其中模型層完成數(shù)據(jù)處理和數(shù)據(jù)庫(kù)的訪(fǎng)問(wèn)工作，視圖層完成軟件界面輸出工作，控制層完成功能調(diào)用工作。控制中心系統(tǒng)軟件運(yùn)行界面如圖7所示。

圖7　診斷系統(tǒng)運(yùn)行圖

5實(shí)際應(yīng)用

在本系統(tǒng)應(yīng)用中采用了根據(jù)診斷需求在機(jī)床特定位置固定振動(dòng)采集節(jié)點(diǎn)完成振動(dòng)數(shù)據(jù)的采集，本系統(tǒng)的測(cè)試環(huán)境為沈陽(yáng)機(jī)床廠(chǎng)生產(chǎn)的Z3050X16搖臂鉆床，系統(tǒng)采集節(jié)點(diǎn)工作位置如圖8所示。

圖8　系統(tǒng)測(cè)試環(huán)境

系統(tǒng)測(cè)試條件如下：

(1)每臺(tái)鉆床安裝1個(gè)振動(dòng)采集節(jié)點(diǎn)，每5臺(tái)鉆床使用兩個(gè)匯聚節(jié)點(diǎn)。

(2)匯聚節(jié)點(diǎn)通過(guò)以太網(wǎng)與企業(yè)控制中心連接。

(3)匯聚節(jié)點(diǎn)使用大功率聲光輸出裝置。

(4)系統(tǒng)測(cè)試時(shí)間為45天，每天工作12小時(shí)。

為了對(duì)本系統(tǒng)的運(yùn)行效果進(jìn)行分析，測(cè)試中采用了兩種工作方法，第一種方法為原始的工作模式，所有的故障診斷工作均在控制中心完成，匯聚節(jié)點(diǎn)僅完成特征數(shù)據(jù)處理和轉(zhuǎn)發(fā)功能。第二種方法為本研究中提出的方法，在匯聚節(jié)點(diǎn)完成一級(jí)診斷，在控制中心完成二級(jí)診斷。測(cè)試中通過(guò)在機(jī)床上部署一個(gè)振動(dòng)采集節(jié)點(diǎn)，在車(chē)間部署了兩個(gè)匯聚節(jié)點(diǎn)(一個(gè)匯聚節(jié)點(diǎn)為原始工作方式，另一個(gè)匯聚節(jié)點(diǎn)為一級(jí)診斷工作方式)，一個(gè)采集節(jié)點(diǎn)同時(shí)為兩個(gè)匯聚節(jié)點(diǎn)提供數(shù)據(jù)。經(jīng)過(guò)45天的連續(xù)工作，對(duì)故障時(shí)延數(shù)據(jù)進(jìn)行匯總和分析，兩種方法的預(yù)警時(shí)延對(duì)比如圖9所示。

圖9　故障預(yù)警平均時(shí)延對(duì)比

方法1即原始工作方法中故障平均預(yù)警時(shí)延為2秒鐘，方法2即本文提出的方法中，A類(lèi)故障預(yù)警平均時(shí)延為1秒鐘，B類(lèi)故障平均預(yù)警時(shí)延為1.7秒鐘。對(duì)于A(yíng)類(lèi)故障時(shí)延縮短了50%，B類(lèi)故障時(shí)延縮短了15%，本測(cè)試中初始的A、B類(lèi)特征比例為1:1，隨著系統(tǒng)的運(yùn)行，特征庫(kù)中的A類(lèi)特征比例將遠(yuǎn)大于B類(lèi)特征，系統(tǒng)的平均故障預(yù)警時(shí)延將接近于1秒，實(shí)驗(yàn)證明了本系統(tǒng)對(duì)提高故障診斷的實(shí)時(shí)性具有明顯的提升效果。

6結(jié)論

本系統(tǒng)設(shè)計(jì)了基于分級(jí)特征庫(kù)的機(jī)床故障診斷系統(tǒng)，實(shí)現(xiàn)在匯聚節(jié)點(diǎn)對(duì)典型故障特征的快速識(shí)別和現(xiàn)場(chǎng)實(shí)時(shí)預(yù)警，實(shí)現(xiàn)控制中心對(duì)非典型故障和典型故障預(yù)警和分析，采用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)對(duì)特征數(shù)據(jù)庫(kù)的完善和更新，提高了數(shù)控機(jī)床故障診斷的實(shí)時(shí)性和可靠性。通過(guò)在機(jī)床集團(tuán)的應(yīng)用，證實(shí)了本系統(tǒng)提高了機(jī)床故障預(yù)警的實(shí)時(shí)性和診斷的準(zhǔn)確型，因此本系統(tǒng)的研究具有理論研究?jī)r(jià)值和工程應(yīng)用價(jià)值。

[參考文獻(xiàn)]

[1] 蘇憲利,鄭一麟.基于WEB的數(shù)控機(jī)床監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].組合機(jī)床與自動(dòng)化加工技,2013(6):58-61.

[2] 蘇憲利,鄭一麟.基于RT-Thread的機(jī)床物聯(lián)網(wǎng)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].組合機(jī)床與自動(dòng)化加工技術(shù), 2014(6):69-72.

[3] 鄭一麟. 基于物聯(lián)網(wǎng)的數(shù)控機(jī)床實(shí)時(shí)監(jiān)測(cè)預(yù)警技術(shù)的研究[D].沈陽(yáng):中國(guó)科學(xué)院計(jì)算所,2015.

[4] Yonghua Zhu,Xinqiao Jin,Zhimin Du.Fault diagnosis for sensors in air handling unit based on neural network pre-processed by wavelet and fractal[J].Energy and Buildings2012,44:7-16.

[5] Y Q Xiao,L G Feng.A novel linear ridgelet network approach for analog fault diagnosis using wavelet-based fractal analysis and kernel pca as preprocessors[J]. Measurement, 2012,45(3):297-310.

[6] Hu Q, He Z, Zhang Z,et al. Fault diagnosis of rotating machinery based on improved waveletpackage transform and SVMs ensemble [J]. Mechanical Systems and Signal Processing, 2007,21(2): 688-705.

[7] 翟楊. 基于小波分析的超精密加工機(jī)床振動(dòng)分析研究[D].長(zhǎng)春:長(zhǎng)春理工大學(xué),2010.

[8] 陳雷,王忠東,陳爽. 基于LabVIEW的機(jī)床振動(dòng)信號(hào)數(shù)據(jù)庫(kù)訪(fǎng)問(wèn)技術(shù)的研究[J].組合機(jī)床與自動(dòng)化加工技術(shù),2013(7):92-93.

(編輯趙蓉)

The Design and Implication of Machine Tools’ Fault Diagnosis Based on Hierarchical Features Database

SU Xian-li1,2,ZHENG Yi-lin3

(1. College of Information Science and Technology, Bohai University,Jinzhou Liaoning 121013,China;2. School of Computer Science and Engineering, Northeastern University, Shenyang 110168,China)

Abstract：In order to resolve the disadvantages of low efficiency, poor real-time performance and large error in the artificial diagnosing the faults of machine tools.The study classified the features into two levels: typical features and atypical ones. It extracted vibration features and diagnosed the typical feature (A-level feature) faults in the sink node of bottom layer to implement on-the-spot warning and improve the real-time performance. It handled and analyze comprehensively the atypical features (B-level feature) in the control center. Simultaneously, by using SVM arithmetic in machine learning on those features, complete and renew the fault feature database, improve the accuracy in fault diagnosis.Experiments proved that the study definitely has an important value in theory and application and can improve the real-time performance and accuracy in diagnosing the faults of digital machine tools

Key words：hierarchical features;real-time warning;fault diagnosis

文章編號(hào)：1001-2265(2016)05-0087-04

DOI:10.13462/j.cnki.mmtamt.2016.05.023

收稿日期：2015-12-08；修回日期：2015-12-29

*基金項(xiàng)目：“沈陽(yáng)特種專(zhuān)用數(shù)控機(jī)床產(chǎn)業(yè)集群國(guó)產(chǎn)數(shù)控系統(tǒng)創(chuàng)新應(yīng)用示范”國(guó)家科技支撐計(jì)劃(2012BAF13B08)；遼寧省社會(huì)科學(xué)規(guī)劃基金(L15BTQ001)

作者簡(jiǎn)介：蘇憲利(1980—)男，遼寧錦州人，渤海大學(xué)信息科學(xué)與技術(shù)學(xué)院講師，研究方向?yàn)閷?shí)時(shí)控制,( E-mail)xianlis@sina.com.cn。

中圖分類(lèi)號(hào)：TH165+.3;TG506

文獻(xiàn)標(biāo)識(shí)碼：A